論文の概要: Probability Distribution Alignment and Low-Rank Weight Decomposition for Source-Free Domain Adaptive Brain Decoding

• arxiv url: http://arxiv.org/abs/2504.09109v2
• Date: Tue, 15 Apr 2025 22:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 11:15:16.208065
• Title: Probability Distribution Alignment and Low-Rank Weight Decomposition for Source-Free Domain Adaptive Brain Decoding
• Title（参考訳）: ソースフリー領域適応型脳復号における確率分布アライメントと低ランク重み分解
• Authors: Ganxi Xu, Jinyi Long, Jia Zhang,
• Abstract要約: 脳の復号化は現在、個人差、モダリティアライメント、高次元埋め込みにおいて重大な課題に直面している。 ソースフリーなドメイン適応型脳復号化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.334440325842815
• License:
• Abstract: Brain decoding currently faces significant challenges in individual differences, modality alignment, and high-dimensional embeddings. To address individual differences, researchers often use source subject data, which leads to issues such as privacy leakage and heavy data storage burdens. In modality alignment, current works focus on aligning the softmax probability distribution but neglect the alignment of marginal probability distributions, resulting in modality misalignment. Additionally, images and text are aligned separately with fMRI without considering the complex interplay between images and text, leading to poor image reconstruction. Finally, the enormous dimensionality of CLIP embeddings causes significant computational costs. Although the dimensionality of CLIP embeddings can be reduced by ignoring the number of patches obtained from images and the number of tokens acquired from text, this comes at the cost of a significant drop in model performance, creating a dilemma. To overcome these limitations, we propose a source-free domain adaptation-based brain decoding framework.
• Abstract（参考訳）: 脳の復号化は現在、個人差、モダリティアライメント、高次元埋め込みにおいて重大な課題に直面している。 個々の違いに対処するため、研究者はしばしばソースの主題データを使用し、プライバシーの漏洩や大量のデータストレージの負荷といった問題を引き起こす。 モダリティアライメントでは、現在の研究はソフトマックス確率分布の整合性に重点を置いているが、限界確率分布の整合性を無視し、モダリティの不整合をもたらす。 さらに、画像とテキストは、画像とテキストの複雑な相互作用を考慮せずに、fMRIと個別にアライメントされる。 最後に、CLIP埋め込みの膨大な次元性は、計算コストを著しく高める。 CLIP埋め込みの次元性は、画像から取得したパッチの数とテキストから取得したトークンの数を無視して低減することができるが、これはモデルの性能が大幅に低下し、ジレンマが発生する。 これらの制限を克服するために、ソースフリーなドメイン適応型脳復号化フレームワークを提案する。

関連論文リスト

• Self-supervised Deep Hyperspectral Inpainting with the Plug and Play and Deep Image Prior Models [6.8557067473167415]
  ハイパースペクトル画像は、典型的には数百の狭く連続したスペクトルバンドで構成され、それぞれが撮像されたシーンの構成に関する情報を含んでいる。 これらの画像は、様々なノイズ、歪みデータ、材料損失の影響を受け、品質と有用性を著しく低下させることができる。 本稿では,DHPの不安定性問題に対処するアルゴリズム LRS-nt-DIP を提案する。
  論文  参考訳（メタデータ） (2025-01-14T15:18:28Z)
• A Trust-Guided Approach to MR Image Reconstruction with Side Information [0.6144680854063939]
  多くの加速法は、取得した$textitk$-space データの限られたセットから診断品質の高い画像を再構成するように設計されている。 このタスクは線形逆問題 (LIP) として表すことができ、アンダーサンプリングの結果、フォワード演算子はランク不足となるか、小さな特異値を示すことができる。 我々は、サイド情報をLIPに効果的に統合する新しいエンドツーエンドディープラーニングフレームワークTGVNを提案する。
  論文  参考訳（メタデータ） (2025-01-06T14:05:19Z)
• Unsupervised Modality Adaptation with Text-to-Image Diffusion Models for Semantic Segmentation [54.96563068182733]
  セグメンテーションタスクのためのテキスト・ツー・イメージ拡散モデル(MADM)を用いたモダリティ適応を提案する。 MADMは、広範囲な画像とテキストのペアで事前訓練されたテキストと画像の拡散モデルを使用して、モデルの相互モダリティ能力を向上する。 我々は,MADMが画像から深度,赤外線,イベントのモダリティといった様々なモダリティタスクにまたがって,最先端の適応性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-10-29T03:49:40Z)
• Mitigating Data Consistency Induced Discrepancy in Cascaded Diffusion Models for Sparse-view CT Reconstruction [4.227116189483428]
  本研究は, 離散性緩和フレームワークを用いた新規なカスケード拡散について紹介する。 潜在空間の低画質画像生成と画素空間の高画質画像生成を含む。 これは、いくつかの推論ステップをピクセル空間から潜在空間に移すことによって計算コストを最小化する。
  論文  参考訳（メタデータ） (2024-03-14T12:58:28Z)
• Spatial-Contextual Discrepancy Information Compensation for GAN Inversion [67.21442893265973]
  空間的不一致情報補償に基づく新しいGAN-inversion法(SDIC)を提案する。 SDICは、オリジナルの画像と再構成/編集された画像との間の画像詳細のギャップを埋める。 提案手法は,画像インバージョンと編集作業の両方において,高速な推論速度で優れた歪み適応性トレードオフを実現する。
  論文  参考訳（メタデータ） (2023-12-12T08:58:56Z)
• Correcting Diffusion Generation through Resampling [32.93858075964824]
  本研究では, 生成画像と接地画像の分布差を低減できる粒子フィルタリングフレームワークを提案する。 提案手法は, 画像生成タスクにおいて, 欠落したオブジェクトの誤りを効果的に補正し, 画質を向上させる。
  論文  参考訳（メタデータ） (2023-12-10T23:35:13Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• Unsupervised Domain Adaptation for Low-dose CT Reconstruction via Bayesian Uncertainty Alignment [32.632944734192435]
  低線量CT(LDCT)画像再構成技術は、許容画質を維持しつつ、患者の放射線被曝を減らすことができる。 この問題ではディープラーニングが広く用いられているが、臨床シナリオではデータテストのパフォーマンスが劣化することが多い。 LDCT再構成の教師なし領域適応(UDA)は分布アライメントによってこの問題を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-02-26T07:10:09Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Modeling Lost Information in Lossy Image Compression [72.69327382643549]
  ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T04:04:56Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。